🌍 Анализ спутниковых изображений с использованием Python 1 часть: Теоретическое и  практическое руководство по вычислению и визуализации NDVI 🚀

Современные технологии дистанционного зондирования позволяют анализировать окружающую среду с высокой точностью. В данной статье подробно рассмотрим принципы работы с многоспектральными спутниковыми изображениями, алгоритмы обработки данных и их интерпретацию с применением Python. Основное внимание будет уделено вычислению индекса NDVI (Normalized Difference Vegetation Index) и его визуализации. 📊🌿

📌 Что такое NDVI?

NDVI — нормализованный разностный вегетационный индекс, широко используемый в мониторинге состояния растительности. Его основные приложения включают:

• 🌾 Агромониторинг и прогнозирование урожайности
• 🌲 Определение состояния лесных массивов
• 🏙 Мониторинг изменений городской растительности
• 🔥 Выявление засух и последствий климатических изменений

Формула расчета NDVI:

Где:

• NIR 🔴 — отражательная способность в ближнем инфракрасном диапазоне (Near Infrared)
• Red 🔵 — отражательная способность в красном спектре (Red)

Значения NDVI интерпретируются следующим образом:

• ❄️ -1 до 0 — вода, облака, тени
• 🏜 0 до 0.2 — голый грунт, засушливые области
• 🌿 0.2 до 0.5 — редкая растительность, кустарники
• 🌳 0.5 до 1 — густая и здоровая растительность

🌍 Получение спутниковых данных

Данные, необходимые для расчета NDVI, можно получить из различных источников:

• 🛰 Landsat (NASA/USGS) — снимки доступны через Earth Explorer или Google Earth Engine
• 🌍 Sentinel-2 (ESA) — данные можно скачать с Copernicus Open Access Hub
• 🏢 PlanetScope — коммерческие изображения с высоким разрешением

Для примера используем данные Landsat 9, скачанные через Earth Explorer.

💻 Обработка спутниковых снимков в Python

📂 Импорт необходимых библиотек

📥 Загрузка данных и подготовка изображений

📊 Функция расчета NDVI

💾 Сохранение NDVI в формате GeoTIFF

🗺 Визуализация NDVI-карты

Таким образом, мы создаём цветовую карту NDVI с градиентом от красного (низкий NDVI) до тёмно-зелёного (высокий NDVI), отображая цветную карту NDVI.

📈 Статистический анализ NDVI

📊 Расчет основных статистических показателей

📊 Гистограмма распределения NDVI

Создание визуализации и статистики для областей, превышающих пороговое значение

Для анализа областей с высоким NDVI можно выделить зоны, превышающие заданное пороговое значение, и провести статистический анализ.

📊 Код для анализа NDVI выше порога

import numpy as np import matplotlib.pyplot as plt from matplotlib.colors import LinearSegmentedColormap

def analyze_ndvi_threshold(ndvi_data, threshold): """ Построение карты NDVI выше порогового значения и расчет статистики """ plt.figure(figsize=(12, 10)) # Создание маски NDVI выше порога high_ndvi_mask = ndvi_data > threshold # Маскировка значений ниже порога masked_ndvi = np.ma.masked_where(~high_ndvi_mask, ndvi_data) # Определение цветовой карты colors_high = ['lightgreen', 'green', 'darkgreen'] high_ndvi_cmap = LinearSegmentedColormap.from_list("custom_high", colors_high, N=256) # Визуализация plt.imshow(masked_ndvi, cmap=high_ndvi_cmap, vmin=threshold, vmax=1) plt.colorbar(label='NDVI Value') plt.title(f'Области с NDVI > {threshold}') plt.axis('off') plt.show() # Статистический анализ high_ndvi_values = ndvi_data[high_ndvi_mask] total_pixels = ndvi_data.size pixels_above = high_ndvi_values.size percentage_above = (pixels_above / total_pixels) * 100 stats = { 'Всего пикселей': total_pixels, 'Пикселей выше порога': pixels_above, 'Процент выше порога': f"{percentage_above:.1f}%", 'Средний NDVI': f"{np.mean(high_ndvi_values):.3f}", 'Медианный NDVI': f"{np.median(high_ndvi_values):.3f}", 'Максимальный NDVI': f"{np.max(high_ndvi_values):.3f}", 'Минимальный NDVI': f"{np.min(high_ndvi_values):.3f}", 'Стандартное отклонение': f"{np.std(high_ndvi_values):.3f}" } # Вывод статистики print("\nСтатистика для NDVI >", threshold) print("-" * 40) for key, value in stats.items(): print(f"{key + ':':25} {value}") return high_ndvi_mask, stats

# Пример вызова функции threshold_value = 0.3 mask, stats = analyze_ndvi_threshold(ndvi_result, threshold_value)

Эти показатели интерпретируются следующим образом:

1. Всего пикселей: 64 014 401 — общее количество пикселей в анализируемом изображении.
2. Пикселей выше порога: 25 738 523 — количество пикселей, у которых значение NDVI превышает 0.3.
3. Процент выше порога: 40.2% — доля пикселей, соответствующих высокой растительности, от общего количества.
4. Средний NDVI: 0.452 — среднее значение NDVI среди всех пикселей, превышающих порог.
5. Медианный NDVI: 0.463 — медианное значение NDVI, указывающее на центральное значение в распределении.
6. Максимальный NDVI: 1.000 — максимальное зарегистрированное значение NDVI, что соответствует густой растительности.
7. Минимальный NDVI: 0.300 — минимальное значение NDVI среди выбранных пикселей, соответствующее пороговому значению.
8. Стандартное отклонение: 0.067 — мера разброса значений NDVI, показывающая степень вариации растительного покрова.

Этот анализ позволяет определить плотность и равномерность растительности на анализируемой территории. 📊🌿

🔬 Заключение

Анализ индекса NDVI является эффективным инструментом мониторинга экосистем 🌿, сельскохозяйственных угодий 🌾 и оценки состояния лесов 🌲. Использование Python позволяет не только автоматизировать обработку данных, но и проводить детальный анализ с применением статистических методов.

Перспективные направления дальнейших исследований включают использование более сложных вегетационных индексов, таких как EVI и SAVI, а также применение методов машинного обучения 🤖 для прогнозирования динамики растительного покрова. 📡

🚀 Следите за обновлениями и делитесь своими результатами! 🌎

Попробуйте реализовать этот проект самостоятельно код Google Colab! 🎓🚀

📢 Подписывайтесь, чтобы не пропустить новые материалы!
🔹 Teletype.in – блог о машинном обучении
🔹 Телеграм-канал – свежие новости и обсуждения